Learning Clean Generative Processes from Noisy Measurements
Pubblicata su AIChronos il · fonte del · Fabian Kruse, Lorenzo Baldassari, Ivan Dokmanić
Lo studio esamina l'apprendimento di modelli generativi per immagini pulite utilizzando esclusivamente osservazioni rumorose. Viene dimostrato che le previsioni posteriori possono essere apprese tramite regressione Noise2Noise a livelli di rumore pari o superiori a quelli dei dati di addestramento, mentre quelle inferiori richiedono un'imposizione di consistenza basata sull'aspettativa del processo di campionamento. Le condizioni derivate garantiscono l'unicità della continuazione verso la distribuzione delle immagini pulite per vari tipi di misurazioni non-Gaussiani come Poisson o Gamma. Gli esperimenti su dataset reali e sintetici confermano che questa relazione di consistenza è essenziale per riparare il processo generativo oltre il limite del rumore dei dati.
- È possibile apprendere previsioni posteriori da viste rumorose indipendenti solo a livelli di rumore superiori o uguali a quelli dell'addestramento.
- Per generare immagini pulite, è necessario imporre una condizione di consistenza che vincoli la previsione alla sua aspettativa dopo il campionamento.
- La relazione di consistenza determina univocamente l'estensione del processo verso la distribuzione delle immagini pulite in scenari non-Gaussiani.
- Senza l'imposizione della consistenza, la continuazione del processo oltre il livello di rumore dei dati subisce una deteriorizzazione severa.
- Il metodo è validato su applicazioni pratiche come microscopia a conteggio di fotoni e radar ad apertura sintetica.
Perché conta. Sebbene focalizzato sulle immagini, questo approccio offre un framework teorico per gestire l'apprendimento robusto da dati imperfetti o rumorosi in ambienti locali con risorse limitate. Lo sviluppo di agenti AI che operano su sensori fisici (es. telecamere IoT) può beneficiare di queste tecniche per generare rappresentazioni pulite senza accesso a ground truth privi di rumore.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.